使用张量进行去噪的理解

什么是张量

  张量是多维数组的泛概念。一维数组我们通常称之为向量，二维数组我们通常称之为矩阵，但其实这些都是张量的一种。以此类推，我们也会有三维张量、四维张量以及五维张量。那么零维张量是什么呢？其实零维张量就是一个数。

张量的基本操作

两个张量的内积

$$<\chi ,y>=\sum _{i_1=1}^{I_1}\sum _{i_2=1}^{I_2}...\sum _{i_N=1}^{I_N}{x}_{i_1{i}_2...i_N}{y}_{i_1{i}_2...i_N}$$

介绍

$$observation[I]=image[I_{clean}]+noise[\eta ]$$

算法描述

张量简介

高阶奇异值分解（HOSVD）

什么是奇异值分解

  奇异值分解最早是Beltrami与1873年对实正方矩阵提出来的。Beltrami从双线性函数：
$$f(x,y)=x^{T}Ay,A\in {\mathbb{R}}^{n\times n}$$

出发，通过引入线性变换$x=U\xi$，$y=V\eta$，将双线性函数变为$f(x,y)={\xi }^{T}S\eta$，其中：
$$S=U^{T}AV$$

矩阵的奇异值分解
  令$A\in {\mathbb{R}}^{m\times n}$，则存在正交矩阵$U\in {\mathbb{R}}^{m\times m}$和$V\in {\mathbb{R}}^{n\times n}$使得：
$$A=U\Sigma V^T$$
式中$\Sigma =\left[\begin{array}{cc}{\Sigma }_1& o\\ o& o\end{array}\right]$，且${\Sigma }_1=diag({\sigma }_1,{\sigma }_2,\cdot \cdot \cdot ,{\sigma }_r)$，其对角元素按照顺序
$${\sigma }_1⩾{\sigma }_2⩾\cdot \cdot \cdot {\sigma }_r>0,r=rank(A)$$

排序。
酉矩阵 设$A\in C^{n\times n}$，若A满足$A^{H}A=I$，则称A为酉矩阵。
奇异值分解的理论证明
  设$A\in C_r^{m\times n}(r>0)$，则存在m阶酉矩阵U和n阶酉矩阵V使得：
$$U^{H}AV=\left(\begin{array}{cc}\Sigma & o\\ o& o\end{array}\right)$$

式中：$\Sigma =diag({\sigma }_1,{\sigma }_2,\cdot \cdot \cdot ,{\sigma }_r),{\sigma }_i$为A的非零奇异值。而：
$$A=U\left(\begin{array}{cc}\Sigma & o\\ o& o\end{array}\right)V^H$$

称为A的奇异值分解。
证明：由于$A^{H}A$为Hermite阵，则存在n阶酉矩阵V使得：
$$V^H{A}^{H}AV=diag({\lambda }_1,{\lambda }_2,\cdot \cdot \cdot ,{\lambda }_n)=\left(\begin{array}{cc}{\Sigma }^2& o\\ o& o\end{array}\right)$$

将V分块为：
$$V=(V_1,V_2)(V_1\in C^{n\times r},V_2\in C^{n\times (n-r)})$$

得：
$$V_1^H{A}^{H}A{V}_1={\Sigma }^2,V_2^H{A}^{H}A{V}_2=0$$

于是：
$${\Sigma }^{-1}{V}_1^H{A}^{H}A{V}_1{\Sigma }^{-1}=I_r,(A{V}_2{)}^{H}A{V}_2=0$$

从而$A{V}_2=0$。又记$U_1=A{V}_1{\Sigma }^{-1}$，则$U_1^H{U}_1=I$，即$U_1$的r个列是两两正交的单位向量。取$U_2\in C^{m\times (m-r)}$使$U=(U_1,U_2)$为m阶酉矩阵，即$U_2^H{U}_1=0,U_2^H{U}_2=I_{m-r}$。则有：
$$U^{H}AV=\left(\begin{array}{c}{U}_1^H\\ \\ U_2^H\end{array}\right)A\left(\begin{array}{c}{V}_1,V_2\end{array}\right)=$$